今天早起赶车去深圳，一起床就看到 GPT 5.5 发了。 AI 的迭代速度已经超乎想象力。 4 月 16 日，Anthropic 发布 Opus 4.7，SWE-Bench Pro 直接从 GPT-5.4 手里抢走编程第一。 4 月 24 日，GPT ...

AI评测领域近日掀起轩然大波，多个主流基准测试的可靠性遭到严重质疑。伯克利大学研究团队通过开发自动化漏洞扫描工具，成功攻破八大权威评测体系，其中SWE-bench编程基准更被10行Python代码轻松破解，500道测试题全部获得满分却未修复任何真实漏洞。 该团队揭示的作弊手段令人震惊：在SWE-bench测试中，研究人员通过提交包含conftest.py文件的代码包，利用pytest框架的钩子机制 ...

品玩4月10日讯，据 AIBASE 报道，字节跳动豆包大模型团队宣布开源Multi-SWE-bench，这是业内首个多语言代码修复基准数据集，为大模型“自动修Bug”能力的评估与提升带来新突破。 在大模型技术快速发展的当下，代码生成任务成为检验模型智能的关键领域。

字节跳动旗下的豆包大模型团队近日传来重要消息，他们正式推出了首个多语言软件错误修正（SWE）数据集——Multi-SWE-bench。这一创新工具旨在评估和提升大型语言模型在自动修复代码错误方面的能力。 Multi-SWE-bench是在原有SWE-bench的基础上拓展而来，其最大亮点 ...